这篇论文自己还不是特别理解,仅记录自己的看法。
参考链接:https://blog.csdn.net/weixin_42402739/article/details/101449921
1.首先,作者提出了一些现有的问题:
太繁琐的注释会对标签造成额外的错误
病灶边缘不清晰
CAD受到图像成像协议和噪声影响
标注成本高
结合以上问题和目前的乳腺癌诊断需求,作者提出了称为卷积神经网络的乳腺癌分类改进算法(CNNI-BCC),以帮助医学专家及时通过X线摄影诊断乳腺癌。 CNNI-BCC使用卷积神经网络来改善乳腺癌病变分类,以帮助专家诊断乳腺癌。达到的敏感性,准确性,AUC和特异性分别为89.47%,90.50%,0.901±0.0314和90.71%。
2.主要贡献有:
提出分类效果很好的神经网络;
Interactive detection based lesion locator (IDBLL),也就是建议通过设计的基于交互检测的病变定位器(IDBLL)检测病变。
3.论文方法的优点有:
(1)将图像分解为补丁;
(2)基于补丁的方法允许通过遮盖某些区域来处理图像中的非矩形区域,而只需从集合中排除补丁即可;
(3)组合的预训练的CNN可以对小数据集进行训练;
(4)提出的CNNI-BCC利用补丁特征相关性来检测和分类病变区域和类别。
4.方法
(a) feature wise pre-processing (FWP), 这一部分指的是数据预处理,作者对图像进行了patch划分和旋转,因此每张图像会产生8个patch,完整图像是1024*1024,patch是128*128;
(b) convolutional neural network (CNN) -based classification (CNNBS);在卷积的过程中,作者用到了depth separable convolution,分为:depth wise卷积和point wise卷积。DW完成后feature map数量等于通道数,单独对每个通道卷积没有很好利用不同通道上的相同空间的feature,所以PW来组合生成新的特征。
(c) interactive detection based lesion locator (IDBLL). 作者采用默认边界框与注释匹配,以在区域中给出正值。 因此,背景和非相关区域被给予负强度值。这样可以区分乳腺区域和背景。